Zero-shot Prompting در مقابل Few-shot Prompting
در Zero-shot Prompting فقط دستورالعمل کار را بدون هیچ مثالی به مدل میدهید و به دانش از پیش آموختهشده آن تکیه میکنید، در حالی که در Few-shot Prompting چند نمونه ورودی-خروجی درست در خود پرامپت قرار میدهید تا مدل الگوی دقیق پاسخ مورد نظرتان را بهتر یاد بگیرد.
| ویژگی | Zero-shot Prompting | Few-shot Prompting |
|---|---|---|
| تعداد مثال در پرامپت | صفر | چند مثال |
| طول و هزینه پرامپت | کوتاهتر | بلندتر |
| دقت در فرمت خاص خروجی | کمتر | بیشتر |
کِی از Zero-shot Prompting استفاده کنیم؟
وقتی وظیفه ساده و رایج است (مثل ترجمه یا خلاصهسازی معمولی) که مدل احتمالاً بدون مثال هم آن را خوب انجام میدهد.
کِی از Few-shot Prompting استفاده کنیم؟
وقتی فرمت خروجی خاص، سبک نوشتاری مشخص یا الگوی غیرمعمول مدنظرتان است که توضیح متنی بهتنهایی کافی نیست.
مثال Zero-shot Prompting
دستورالعمل: احساس این جمله را مثبت/منفی/خنثی بگو.
جمله: "غذا خیلی خوب بود ولی دیر رسید."
مثال Few-shot Prompting
مثال ۱: "عالی بود" -> مثبت
مثال ۲: "افتضاح بود" -> منفی
حالا این را بگو:
"غذا خیلی خوب بود ولی دیر رسید." -> ؟
اشتباه رایج
اشتباه رایج اضافهکردن مثالهای بیش از حد زیاد یا نامرتبط در Few-shot Prompting است که هم هزینه توکن را بالا میبرد و هم ممکن است مدل را به سمت الگوی نادرست هدایت کند؛ ۲ تا ۵ مثال باکیفیت معمولاً کافی است.
جمعبندی
برای وظایف ساده و رایج از Zero-shot و برای فرمت خروجی خاص یا الگوی دقیق موردنیاز از Few-shot Prompting با چند مثال باکیفیت استفاده کنید.